面向 Edge-AI 的联邦持续学习综述
机器学习
2024-11-22 v1 人工智能
分布式、并行与集群计算
网络与互联网体系结构
摘要
Edge-AI，即边缘计算与人工智能（AI）的融合，已成为一种有前景的范例，使能够在靠近用户的网络边缘部署高级 AI 模型。在 Edge-AI 中，联邦持续学习（FCL）已成为一种必不可少的框架，它在保持数据隐私的同时，能够保留以往任务的知识，同时学习新任务。通过这种方式，FCL 旨在确保在动态和分布式环境中学习模型具有稳定和可靠的性能。在本综述中，我们全面审阅了最新研究，present 了 FCL for Edge-AI 的第一个综合性综述。我们基于三个任务特征将 FCL 方法进行分类：联邦类别持续学习、联邦域持续学习和联邦任务持续学习。对于每一类别，都提供了详尽的代表性方法的调查和回顾，涵盖背景、挑战、问题建模、解决方案和局限性。此外，回顾了现有受 FCL 支持的实际应用，表明 FCL 在多样化应用领域中的当前进展和潜力。进一步，我们讨论并突出了 FCL 的几个前景研究方向，例如面向 FCL 的算法-硬件联合设计以及 FCL 与基础模型的结合，这些可能为 Edge-AI 时代 FCL 的未来发展和实际部署提供启示。
引用
@article{arxiv.2411.13740,
title = {Federated Continual Learning for Edge-AI: A Comprehensive Survey},
author = {Zi Wang and Fei Wu and Feng Yu and Yurui Zhou and Jia Hu and Geyong Min},
journal= {arXiv preprint arXiv:2411.13740},
year = {2024}
}